JP2007028739A - 負荷需要変化に対応する適応的発電機起動停止計画作成方法 - Google Patents

Abstract

【課題】 系統運用の発電機起動停止計画において、電力需要予測に使用したデータ予測値に誤差が生じたときに運用コストの最適化を達成することができ、特に気温予測誤差のため電力需要が予測値と異なる場合に、予測精度を改善して総コスト削減を可能とする発電機起動停止計画作成方法を提供する。
【解決手段】 前日にその翌日の負荷需要を予測して発電計画を作成する発電機起動停止計画作成方法において、当日における実需要が予測値と差異が生じた場合に、予め決めた学習日のうちから当日における実需要に需要パターンが類似する類似日を選択し、選択した類似日の需要に基づいてその後の負荷需要予測を修正し、新しい予測値に基づいて発電機起動停止計画を修正する。
【選択図】 図１

Description

本発明は、系統運用において、負荷需要予測を用いて経済的に発電機起動停止を行うようにした発電機起動停止方法に関し、特に実際の負荷需要が予測とずれた場合にも経済性を確保することができるような適応的発電機起動停止計画作成方法に関する。

近年、電力自由化範囲の拡大に伴う特定規模電気事業者（ＰＰＳ：Power Producer & Supplier）などの参入により、電力売買の競争はさらに激化している。ＰＰＳには３０分３％の原則があり、３０分以内に３％以上の不足電力が発生したときは、電力会社から割高な電力を購入して供給を維持する義務がある。
また、電力会社は系統運用において同時同量供給の義務があり、ＰＰＳの不足電力は同時同量運転を困難にする要因となる。

したがって、経済的な系統運用を可能にするためには正確な負荷需要予測とその負荷需要に対する最適な発電計画が不可欠であり、負荷需要予測および発電機起動停止計画問題（ＵＣＰ：Unit Commitment Problem）が重要な課題となる。
従来のＵＣＰに関する研究は、負荷需要が予測通りに実現されることを前提として、種々の負荷需要に対する最適な発電機起動停止スケジュールを生成するための解法を提示するものが多い。

実際の系統運用において、従来のＵＣＰに関する解法は負荷需要に対して準最適なスケジュールを与えるだけで、実際の負荷需要が前日に行った予測と異なれば、得られたスケジュールで効率的な運用を達成することはできない。
実際の負荷需要は種々の要因で時々刻々変化することから、正確な負荷需要を例えば前日に予め把握することは困難である。このため、たとえば非特許文献１では、ニューラルネットワーク（ＮＮ：Neural Network）を利用し現時点における実績値に基づいて数時間後の負荷需要を正確に予測する研究が開示されている。

負荷需要予測と発電計画を組み合わせた研究として、負荷需要予測に基づいてＵＣＰに対して負荷需要予測精度を変化させた場合の総コストの変化をシミュレーションにより検討し、精度が高いほど総コストが削減できることを示したものがある。また、季節の変わり目における負荷需要予測精度を向上させる手法を提案し、総コストの削減が可能になることを示したものもある。
しかし、これらの研究には、負荷需要が予測からずれたときの対応方法について示唆するものがなかった。

たとえば、特許文献１には、予想電力需要、発電機設備データなどの情報から発電機の起動停止計画を作成する装置であって、ＮＮを用いて電力需給バランスと発電機単独の運用上の制約を満足する初期運用計画を作成し、シミュレーテッド・アニーリング（ＳＡ：Simulated Anealing）を用いて初期運用計画を発電機間にまたがる運用上の制約を満足するように修正するようにした電力系統の需給計画作成装置が開示されている。なお、運用計画修正手段として遺伝的アルゴリズム（ＧＡ：Genetic Algorithm）を用いてもよいことが記載されている。

また、特許文献２には、事前に予測負荷を算出して、多数の制約条件を考慮した上で、予測負荷に対して運用コストを最小にするように各発電機の運用計画を決定する発電機起動停止計画において、優先リスト法を適用することにより複数個の初期解を高速に得ておいて、得られた初期解に対してヒューリスティック手法を適用する発電機起動停止計画作成方法が開示されている。
優先リスト法による解は基本的に発電コストの安い発電機から起動させているので、コスト高な発電機は停止状態でコスト安な発電機は起動状態という大まかな枠組が決定される。ヒューリスティック手法は、反復的探索を行うため、演算対象の個数が増えると幾何級数的に演算時間が増大する性質を有する。
本開示発明は、優先リスト法を用いてより高速にかつ簡便に複数個の初期解を求め、数に制限のある初期解に幾つかのヒューリスティック手法を適用するので、演算負荷が軽減し演算時間が大幅に短縮できる。

また、特許文献３には、複数の発電機と電力貯蔵装置を含む電力系統について、はじめに電力貯蔵装置を考慮せずに発電機起動停止計画を作成し、続いて電力貯蔵装置を考慮したアルゴリズムを適用して計画を修正するようにした発電機起動停止計画作成方法が開示されている。
電力貯蔵装置を考慮するためのアルゴリズムは、負荷のボトム付近で運転している発電機の余剰電力を制約を考慮しながら電力貯蔵装置に可能な限り充電し、充電終了時に電力貯蔵装置の下限電力量に達しないと予測される場合は、さらに停止している発電機も優先リストの順に起動するように計画を修正するものである。また、負荷ピーク時間帯において積極的に電力貯蔵装置から電力を供給し、ピーク時間帯で運転するコスト高な発電機を優先リストと逆の順に停止させて、総コストの削減をする。

しかし、これらの特許文献１〜３には、運用中に電力需要が予測と異なるようになることについて何の記載もなく、またその場合の対策を示唆する記載もない。

なお、特許文献４には、揚水発電機について、予想電力需要、燃料使用量、貯水池の水量、発電機設備データの各情報を用いて、運用コストが最小になるような発電機起動停止の運用計画を作成する電力系統の需給計画作成装置であって、定期的に上記各情報の実績値を取り込んで、その時点からの新たな目標値をもとに発電機の起動停止計画を作成する運用計画算出手段を備える需給計画作成装置が開示されている。
開示された装置は、深夜に余剰の火力発電機で揚水上池の水位を持ち上げて、負荷の重い昼間の時間帯に発電して系統電力を補充する揚水発電機に適用するものである。したがって、複数の発電機が接続されている系統において経済的運用を実現するためにいずれの発電機をいつ発停するのがよいかという問題の解決に利用できるものではない。

上に説明した通り、発電機起動停止計画に従って系統運用をする上で、実績負荷と前日に予測された負荷需要が異なるときには、前日の予測負荷需要に基づいて作成した発電機起動停止スケジュールでは非効率的な発電機運用となることが懸念されるので、対策が必要となる。
また、不足電力が生じれば、即応性のあるガスタービンや小型発電機を用いて対処してきたが、これらの発電機は燃料消費率が悪いので、効率的な運用を達成することが難しい。

なお、負荷需要は曜日や気温の影響が大きいため、気象予測誤差が発生すると負荷需要予測も外れることになる。このように、予測精度の高いシステムを用いても、予測に使用するデータに誤差が含まれると負荷需要の予測値に誤差が含まれることになる。
このため、負荷需要が予測に反して変化する場合を考慮した発電機起動停止計画が必要となる。
特開平１１−２１５７０１号公報 特開２００４−０６４９０１号公報 特開２００５−１０２３５７号公報 特開２００３−００９３９１号公報 T.Senjyu, et al.:"Three-hour-ahead load forecasting using hybrid correction method", Electric Power Components and Systems, vol.32, no.4, pp.337-352 (2004-4)

本発明が解決しようとする課題は、系統運用の発電機起動停止計画において、電力需要予測に使用したデータ予測値に誤差が生じたときにも、運用コストの最適化を達成することができるような発電機起動停止計画を作成する方法を提供することであり、特に気象予測誤差が発生して実際の気温が予測値と異なったために電力需要が予測値と異なる場合に、予測精度を改善して最適な総コスト削減を可能とする発電機起動停止計画作成方法を提供することである。

上記課題を解決するため、本発明の発電機起動停止計画作成方法は、前日にその翌日の負荷需要を予測して発電計画を作成する発電機起動停止計画作成方法において、当日における実需要が予測値と差異が生じた場合に、予め決めた学習日のうちから当日における実需要に需要パターンが類似する類似日を選択し、選択した類似日の需要に基づいてその後の負荷需要予測を修正し、新しい予測値に基づいて発電機起動停止計画を修正することを特徴とする

なお、翌日の需要予測に基づく発電機起動停止計画および修正した負荷需要予測に基づく発電機起動停止計画は、燃料消費率の低い順に並べた発電機の優先リストを使い遺伝的アルゴリズムを用いて作成することが好ましい。
また、類似日は、同時間帯における学習日の負荷実績値と当日の負荷実績値もしくは負荷予測値との差、負荷実績値もしくは負荷予測値の変動の差、および温度実績値もしくは温度予測値の差がそれぞれ小さいことを条件として判定することが好ましい。

選択された複数の類似日における負荷実績値および温度実績値の次の時間帯における実績値を平均した値を当日の次の時間帯における負荷予測値および温度予測値とすることにより次々に求めることができる。
また、ニューラルネットワークを用いて数時間先の電力需要を推定することにより、次の時間帯における負荷予測値および温度予測値を順次求めるようにしても良い。

本発明の発電機起動停止計画作成方法によれば、負荷需要予測と発電機起動停止計画を組み合わせ、気象予測に誤差が発生し、特に実気温と予測気温が大きく異なり負荷需要が予測値から外れたときに、再度負荷需要予測を行って予測精度を改善し、新しく得た負荷需要予測値に対して発電機起動停止計画を生成する。したがって、負荷需要予測値を修正しない従来の発電機起動停止計画生成方法と比較して、負荷予測精度が改善され実運用においてコストの削減が確実に達成できる。

なお、実際の系統運用において、翌日の電力需要予測を行うために正確な気温データを使うことはできないが、気象予測誤差発生後の予測気温データは新しい気象情報を基に予測が行われるため、前日の予測より正確である。したがって、当日の新しい気象データを使った負荷需要予測に基づいてＵＣＰを解くことにより、運用コストをより削減する有効な発電計画を生成することができる。

以下、実施例を用いて本発明を詳細に説明する。
図１は本実施例に係る発電機起動停止計画作成方法のフローチャート、図２は数時間先予測のための類似日選択手順を表わすフローチャート、図３は負荷需要予測を行うニューラルネットワークのモデルを表わす線図、図４は発電機起動停止スケジュール決定の手順を表わすフローチャート、図５は優先リストの例を示す表、図６は本実施例に使用する遺伝的アルゴリズムにおける知的突然変異を説明する図面、図７は本実施例における優先起動オペレータを説明する図面、図８はＧＡパラメータを例示する表である。

本実施例の発電機起動停止計画作成方法は、図１のフローチャートに表わした通り、負荷需要の変動を考慮してＵＣＰを解くもので、実気温と予測気温が大きく異なるなどして実際の負荷と前日に予測した負荷需要が一致しない場合に、再度負荷需要の予測をし直すものである。

図１のフローチャートを参照すると、発電計画作成装置は次のような工程を含む。
（Ｓ１）事前予測
発電計画を必要とする日の前日に翌日の負荷需要を予測する。なお、予測日は前日に限らず任意の日であってもよく、代表的に前日を選択しただけである。
（Ｓ２）ＧＡによるＵＣＰ
次に、翌日負荷需要予測に対して遺伝的アルゴリズム（ＧＡ）を用いて発電機起動停止計画問題（ＵＣＰ）を解く。
（Ｓ３）気温の急変判定
気温が予測値と大きく異なるか否かを判定し、変化が少なければ手順は終了し、差異が大きく実負荷と予測負荷需要が一致しなければＳ４に進む。
（Ｓ４）予測修正
気象予測誤差および負荷需要予測誤差が発生した時間帯をｎ時とすると、その後のその日の時間帯ｎ＋１時〜２４時における負荷需要を予測する。
（Ｓ５）ＧＡによるＵＣＰ
１時〜ｎ時の経過した時間帯における発電機起動停止スケジュールを初期値として代入し、Ｓ４で得られた新しい負荷需要予測値に対して再度ＧＡを用いてＵＣＰを解いて手順は終了する。

なお、事前予測工程と予測修正工程における負荷需要予測には、階層型パーセプトロンモデルのニューラルネットワーク（ＮＮ）を用いた学習法が使用されている。ＮＮの学習法には、教師信号を利用した誤差逆伝播法（ＢＰ：Back Propagation）を採用している。負荷需要予測には、気象予報により与えられた予測対象日の気温変化に基づいて選択した過去の気温類似日における電力需要パターンを利用する。
したがって、負荷需要予測に用いるＮＮの学習を行うため、まず、適当な過去の日々から類似日を選択する必要がある。なお、本実施例では、選択範囲である学習日を、予測開始日前日の過去４５日と予測開始日の１年前の日の前後４５日とした。

類似日の選択は、学習日と予測日当日の予測開始時刻の時間帯における負荷、気温、また１時間前からの負荷変化量の偏差が小さいことを基準として、（１）式で表わされるＤが小さいことを条件とした。
Ｄ＝((ω１ΔＬ^ｔ)^２＋(ω２ΔＬ^ｓ)^２＋(ω３ΔＴ^ｔ)^２)^１／２ （１）
ただし、
ΔＬ^ｔ＝Ｌｎ^ｔ−Ｌｐ^ｔ （２）
ΔＬ^ｓ＝(Ｌｎ^ｔ−Ｌｎ^ｔ−１)−(Ｌｐ^ｔ−Ｌｐ^ｔ−１) （３）
ΔＴ^ｔ＝Ｔｎ^ｔ−Ｔｐ^ｔ （４）

ここで、時刻ｔ(ｔ＝１〜２４時）は予測開始時刻であり、添字ｐは当日の過去を表わし、添字ｎは学習日を表わし、Ｌ^ｔ−ｋ（ｋ＝０，１）は時刻ｔ−ｋにおける負荷、Ｔ^ｔは時刻ｔにおける気温である。したがって、ΔＬ^ｔは学習日と当日の過去の時刻ｔにおける負荷偏差、 ΔＬ^ｓは時刻がｔ−１からｔまで経過したときの負荷変化量（傾き）の学習日と当日の偏差、ΔＴ^ｔは学習日と当日の時刻ｔにおける気温偏差を表わす。
なお、重みωは、（５）式の重回帰モデルを用いて最小二乗法により決定する。
Ｌ^ｔ＋１＝ω０＋ω１Ｌ^ｔ＋ω２Ｌ^ｓ＋ω３Ｔ^ｔ （５）

Ｄが小さい順に選択された幾つかの類似日について電力需要データを平均して求めた値を予測日当日の電力需要予測値とする。

なお、予測修正工程における数時間先の電力需要を推定するための類似日選択は、図２に示すように、次のステップにより実施される。
（Ｓ１１）予測開始時刻ｔにおける実績負荷値と実績気温を用いて、（１）式で与えられるＤの値が小さくなるような類似日を数個選択する。
（Ｓ１２）Ｓ１１で選択された類似日の時刻ｔ＋１における負荷データを平均し、それを時刻ｔ＋１の予測負荷Ｌ ^ｔ＋１とする。
（Ｓ１３）Ｓ１２で得られた予測負荷値を実績負荷値とみなして、（１）式のＤに代入して、類似日選択を行い、Ｓ１２と同様にして時刻ｔ＋２における予測負荷Ｌ ^ｔ＋２を算出する。
（Ｓ１４）Ｓ１２とＳ１３を繰り返して、時刻ｔ＋ｈ−１の予測値を算出して実績負荷値と見なし、時刻ｔ＋ｈにおけるｈ時間先負荷予測のための類似日選択を行う。

図３は、この類似日選択を実行するＮＮのモデルを示す図面である。
ニューラルネットワークは、学習日の時刻ｔにおける負荷Ｌ^ｔ、時刻ｔ＋ｊにおける類似日平均負荷Ｌ ^ｔ＋ｊ（ｊ＝１〜ｈ）、予測対象日の最高気温Ｔmaxと最低気温Ｔmin、予測対象日の曜日Ｗを入力して、時刻ｔ＋ｈの予測負荷Ｌ ^ｔ＋ｈを出力する。
最大１０００回まで繰り返すＢＰ法によりニューロンの結合係数を調整して学習し、学習終了後のＮＮに予測開始日の入力データを入力することにより、予測負荷需要を出力させることができる。

本実施例では、発電機起動停止計画問題（ＵＣＰ）を遺伝的アルゴリズム（ＧＡ）を用いて解く。
ＵＣＰとは、与えられた負荷需要に対して発電機の運転停止状態と各発電機の出力を最適化する問題である。
以下、本実施例におけるＵＣＰの定式化、およびＧＡを用いたＵＣＰの解法を説明する。

（１）ＵＣＰの定式化
本実施例では、特許文献２や特許文献３に詳しく説明されているものと同様に、全発電機について発電機出力Ｐi(ｔ）と起動費用ＳＣi（ｔ）を加えた総運用コストＴＣを目的関数として、これを最小化するような解を見出すものである。
ＴＣ＝Σ_{（ｔ＝１〜Ｔ）}Σ_{（ｉ＝１〜Ｎ）}[Ｆi（Ｐi(ｔ))+ＳＣi（ｔ))] （６）
ただし、
Ｆi（Ｐi(ｔ))＝ａi＋ｂi・Ｐi(ｔ)＋ｃi・(Ｐi(ｔ)ｉ)^２ （７）
ＳＣi（ｔ)＝h-cost_ｉ ：Ｔi^ｏｆｆ≦Ｘi^ｏｆｆ≦Ｈi^ｏｆｆ または
c-cost_ｉ ：Ｘi^ｏｆｆ＞Ｈi^ｏｆｆ （８）
Ｈi^ｏｆｆ＝Ｔi^ｏｆｆ＋c-h-cost_ｉ （９）

ＵＣＰには、発電機の特性や技術面などから幾つかの制約条件があり、解はこれらの条件を満足しなければならない。
（i）電力需給バランス制約
Ｄ(ｔ）＝Σ_{（ｉ＝１〜Ｎ）}Ｐi(ｔ) （１０）
（ii）運転予備力制約
Σ_{（ｉ＝１〜Ｎ）}Ｉi(ｔ)・Ｐimax≧Ｄ(ｔ)＋Ｒ^ｔ （１１）
（iii）発電機出力上下限制約
Ｐimin ≦Ｐi(ｔ)≦Ｐimax （１２）
（iv）発電機最小運転・停止時間制約
Ｔi^ｏｎ≦Ｘi^ｏｎ
Ｔi^ｏｆｆ≦Ｘi^ｏｆｆ （１３）

ここで、
Ｎ ：発電ユニットの総数
Ｔ ：スケジューリング期間
ｉ ：発電ユニットのインデックス（ｉ＝１，２，・・・Ｎ）
ｔ ：時間のインデックス（ｔ＝１，２，・・・Ｔ）
Ｉi(ｔ) ：時間ｔにおける発電ユニットｉの起動停止状態
（０：停止、１：運転）
h-cost_ｉ ：発電ユニットｉをホットスタートさせるときのコスト
c-cost_ｉ ：発電ユニットｉをコールドスタートさせるときのコスト
c-h-cost_ｉ ：発電ユニットｉのボイラ冷却時間
Ｐi(ｔ) ：時間ｔにおける発電ユニットｉの出力
Ｐimax ：発電ユニットｉの最大出力
Ｐimin ：発電ユニットｉの最小出力
Ｄ(ｔ） ：時間ｔにおける需要電力
Ｒ^ｔ ：時間ｔにおける運転予備力（たとえば、Ｄ(ｔ）の１０％）
Ｔi^ｏｎ ：発電ユニットｉの最小運転時間
Ｔi^ｏｆｆ ：発電ユニットｉの最小停止時間
Ｘi^ｏｎ ：時間ｔにおける発電ユニットｉの運転時間
Ｘi^ｏｆｆ ：時間ｔにおける発電ユニットｉの停止時間
Ｈi^ｏｆｆ ：発電ユニットｉが冷却しきるまでの時間
ＳＣi（ｔ) ：発電ユニットｉの起動コスト
Ｆi（Ｐi(ｔ)) ：発電ユニットｉの燃料コスト
ＴＣ ：総コスト
である。

（２）ＵＣＰの解法
本実施例では、ＧＡを用いてＵＣＰを解く。ＧＡは遺伝オペレータにより、組み合わせ問題における大域解の中から最適解を探索するので、種々の負荷需要曲線に対して最適解を与えることができる。ＵＣＰに対してＧＡを適用して得られた決定変数は、運転状態を１、停止状態を０として表現することができる。
図４は、発電機起動停止スケジュールを決定するための手順を表わすＧＡを用いたＵＣＰの解法のフローチャートである。図４に示された手順は以下の工程を含む。

（Ｓ２１）初期母集団を形成する。各時間における予測負荷需要に従い、優先リスト順に（１１）式の制約条件を満たすまでユニットを運転状態にした初期解を母集団とする。優先リストは、たとえば図５に示すように、基本的に最大出力が大きい順とし、最大出力が同じあるいは近似するときには燃料消費率（ＨＲ：Heat Rate）の低い順とする。各発電機のＨＲは、次の（１４）式で与えられる。
ＨＲi＝Ｆi（Ｐimax)／Ｐimax （１４）
ここで、ＨＲiは各ユニットのＨＲを示す。
なお、本実施例でモデルとして使用される設備は１０個のユニットを有するが、ユニット８〜１０はバックアップ電源として用いるため、図５の優先リストにはユニット１〜７までしか記載されていない。

（Ｓ２２）遺伝オペレータを用いて経済的負荷供給問題（ＥＬＤ）を解く。
（Ｓ２３）終了条件を満たしているかを検証し、満たす場合は演算を終了し、満たさない場合はＳ２４に進む。ここで、終了条件とは、最終世代のことであり、本実施例ではたとえば５００回とする。

（Ｓ２４）遺伝オペレータを新しくして、繰返し演算のためＳ２２に進む。
次に列挙する遺伝オペレータなどが使われる。
（i）交叉（Crossover）
各ユニットの個体のスケジュールを入れ換えることにより、全体のスケジュールを変更する。各ユニットは、たとえば１０基の同じ仕様を持つ個体発電機で構成される。
（ii）シフトオペレータ（Shift operator）
あるユニットの各個体の運転状態を１時間先に進める。
（iii）複写（Copy）
エリート選択を採用しているため、最良の個体は無条件で次世代に保存される。しかし、最良個体も遺伝オペレータを適用して進化させることでより良い個体を生成することができる。
（iv）突然変異（Mutation）
停止から運転、または運転から停止に変わる時間を見つけ出し、停止または運転の状態に変化させる。
（v）知的突然変異（Intelligent mutation）
図６に示すように、余分に運転しているユニット（excess units）の停止、または不足している部分のユニット（deficient units）の起動を行う。ただし、最小運転・停止時間制約および運転予備力制約に違反するようになるなら元に戻す。
（vi）優先起動オペレータ（Priority start operator）
図７に示すように、運転状態が優先リスト順になっていないユニットを見つけ出して、優先リスト順の運転状態に修正する。

図８は、ＧＡパラメータを例示する表であって、ＧＡパラメータは使用する遺伝オペレータの作用確率で示される。ＧＡパラメータは試行錯誤により最適値を見出したものである。

以上の構成により、予測した負荷需要に対してＵＣＰを解いて最適な運転計画を生成するが、実際の負荷需要が予測負荷需要より大きくなったときには、不足電力をユニット８〜１０の予備電源により補充する。すなわち、（１５）式のΔＬが正の場合にバックアップ発電機を運転して不足分の電力を供給する。
ΔＬ＝Lact（ｈ)−Lfor（ｈ） （１５）
ここで、ｈは時間を表わし、Lact（ｈ)は時間ｈにおける実負荷、Lfor（ｈ）は時間ｈにおける予測負荷需要を表わす。
バックアップ発電機は、他のユニットと比較してＨＲが高いため、バックアップ電源の使用は目的関数に対してペナルティとなる。

上記構成により、どの程度の改善ができたかを検証するためシミュレーションを行った。
図９はシミュレーションに使用する発電機ユニットの仕様を示す表、図１０は負荷需要予測シミュレーションで用いた気温データのグラフ、図１１と図１２は負荷需要予測シミュレーションの結果を示す図、図１３は各ケースにおける負荷需要予測絶対誤差を比較する表、図１４と図１５は発電機起動停止計画に従ったときの総コスト比較表、図１６と図１７はユニットの稼働状況を示す図面である。

本シミュレーションは、ユニット毎に同じ仕様の発電機を複数有する１０ユニットの発電機が接続された系統を運用するものとし、１９９７年４月３０日の気温と電力需要のデータを用いて行った。
図９に、このシミュレーションに使用した発電機の仕様を示す。なお、表中、initial stateはスケジューリング期間の始期における発電機の状態を示すもので、正値はそれまでの作動時間、負値はそれまでの停止時間を意味する。なお、優先リストは図５に示す通りである。

負荷需要予測のシミュレーションは、図１０に示すように実気温が１１時以降予測気温に対して１℃上昇（Case１）、２℃上昇（Case２）、１℃下降（Case３）、２℃下降（Case４）した４つの場合と負荷需要の再予測（Modified forecast）を行う場合を想定して負荷需要予測を行ったものである。
なお、負荷需要の再予測は、予測気温と実気温が大きく異なった場合に再度予測を行うものとし、本シミュレーションでは１２時以降の予測気温が正確であると仮定して、実気温データを使用して行った。

負荷需要予測シミュレーションの結果を図１１と図１２に示す。図１１は実気温が上昇した場合の負荷需要曲線、図１２は下降した場合の負荷需要曲線を示すものである。実気温が高くなると午後の負荷需要が減少することが明白に現れている。
負荷需要の予測精度は、（１６）式で定義する負荷需要予測絶対誤差（ＡＬＦＥ：Absolute Load Forecasting Error）により評価することができる。
ＡＬＦＥ＝Σ_{（ｈ＝ｎ＋１〜２４）}｜Lact（ｈ)−Lfor（ｈ)｜ （１６）
図１３は、気象予測誤差が発生した後のＡＬＦＥを比較した表である。再負荷需要予測におけるＡＬＦＥの値が最も小さく、負荷需要の再予測を行うことでＡＬＦＥが改善されることが分かる。

次に、前日に行った負荷需要予測に基づいた発電機起動停止計画と当日の実需要にしたがって再予測した負荷需要予測に基づいた発電機起動停止計画について上記４ケースについてシミュレーションして、それぞれの総コストを比較した。
図１４と図１５は比較結果を示す表である。
図１４は優先起動オペレータがなく優先リストを用いない場合、図１５は優先起動オペレータを使用した場合を示す。図１４と図１５を比較すると、全てのケースにおいて図１５の方がコストが低い。すなわち、優先リストを使用することがコスト削減に効果があることが分かる。
また、Case１からCase４の全てのケースにおいて、当日負荷需要を再度予測する方が総コストを削減できていることが確認される。すなわち、気象予測誤差が発生したときに再度複需要予測を行うことが有効であることが証明された。

図１６は、Case ４、すなわち１１時から気温が２℃低下した場合について、前日ＵＣＰを解くことで立てた発電機起動停止スケジュールに従って運用する場合の各ユニットの運転状態を示し、図１７は当日温度が予測からずれたことを知って再予測した負荷需要に従ってＵＣＰを解くことで発電機起動停止スケジュールを再編成したときの各ユニットの運転状態を示す。１１時に気象予測誤差が発生するので、再予測は１２時から２４時に亘って実施される。
たとえば１７時から２１時について見ると、図１６に示した前日のスケジュールに従う場合は、ユニット３が運転状態でありユニット８からユニット１０のバックアップ電源を使用する頻度は少ない。これに対して、図１７に示した再予測を行う場合は、バックアップ電源の使用頻度が大きくなり、代りに最大出力が大きいユニット３が停止状態になる。その結果、総コストは図１７の再予測を行う場合の方が小さくなっている。

本実施例の適応的発電機起動停止計画作成方法は、負荷需要予測と発電機起動停止計画を組み合わせるたもので、負荷需要予測に誤差が生じたときに再予測して発電機起動停止計画を修正することができる。たとえば、気象予測値に基づいて負荷需要予測を行う場合に、気象予測に誤差が生じたときに負荷需要予測を再度行って負荷需要予測精度を改善し、より正確な負荷需要に対して再度ＵＣＰを解くことで、前日の発電機起動停止スケジュールを使うより総コストの削減が可能となった。
本発明の手法を採用することにより、ＰＰＳは３０分３％の原則を達成するためのコスト高な電力購入を回避することができるようになり、電力会社にとっても同時同量を低コストで容易に達成することができるようになる。

本発明の１実施例に係る発電機起動停止計画作成方法のフローチャートである。 本実施例に使用する数時間先予測のための類似日選択手順を表わすフローチャートである。 本実施例の負荷需要予測を行うニューラルネットワークのモデルを表わす線図である。 本実施例の発電機起動停止スケジュール決定の手順を表わすフローチャートである。 優先リストの例を示す表である。 本実施例に使用する遺伝的アルゴリズムにおける知的突然変異を説明する図面である。 本実施例に使用する優先起動オペレータを説明する図面である。 本実施例に使用するＧＡパラメータを例示する表である。 本実施例のシミュレーションに使用する発電機ユニットの仕様を示す表である。 本実施例の負荷需要予測シミュレーションで用いた気温データのグラフである。 本実施例の負荷需要予測シミュレーションの結果を示す図である。 本実施例の負荷需要予測シミュレーションの別の結果を示す図である。 負荷需要予測シミュレーションの各ケースにおける負荷需要予測絶対誤差を比較する表である。 本実施例の発電機起動停止計画に従ったときの総コスト比較表である。 本実施例の優先リストを用いて作成した発電機起動停止計画に従ったときの総コスト比較表である。 前日の発電機起動停止計画に従ったときのユニットの稼働状況を示す図面である。 本実施例の発電機起動停止計画に従ったときのユニットの稼働状況を示す図面である。

Claims (5)

1. 前日に翌日の負荷需要を予測して発電計画を作成する発電機起動停止計画作成方法において、当日における実需要が予測値と差異が生じた場合に、予め決めた学習日のうちから当日における実需要に需要パターンが類似する類似日を選択し、選択した類似日の需要に基づいてその後の負荷需要予測を修正し、新しい予測値に基づいて発電機起動停止計画を修正することを特徴とする発電機起動停止計画作成方法。
2. 前記翌日の需要予測に基づく発電機起動停止計画および修正した負荷需要予測に基づく発電機起動停止計画は、燃料消費率の低い順に並べた発電機の優先リストを使い遺伝的アルゴリズムを用いて作成することを特徴とする請求項１記載の発電機起動停止計画作成方法。
3. 前記類似日の判定は、同時間帯における学習日の負荷実績値と当日の負荷実績値もしくは負荷予測値との差、負荷実績値もしくは負荷予測値の変動の差、および温度実績値もしくは温度予測値の差がそれぞれ小さいことを条件として行うことを特徴とする請求項１または２記載の発電機起動停止計画作成方法。
4. 前記選択された複数の類似日における負荷実績値および温度実績値を用いて、次の時間帯における実績値を平均した値を、当日の次の時間帯における負荷予測値および温度予測値とすることを特徴とする請求項１から３のいずれかに記載の発電機起動停止計画作成方法。
5. 前記負荷需要予測の修正は、ニューラルネットワークを用いた数時間先電力需要予測法により行うことを特徴とする請求項１から３のいずれかに記載の発電機起動停止計画作成方法。
   

Images